[发明专利]一种基于多源遥感影像的烟草动态监测的方法和装置

说明书

一种基于多源遥感影像的烟草动态监测的方法和装置，其方法包括以下步骤：基于多源遥感影像的烟草种植面积识别是采用深度学习算法UNet++进行分类模型的构建；烟草长势动态监测是通过计算多光谱无人机影像的植被指数(NDVI)及无监督聚类的方式，进行长势等级划分；营养动态监测是通过对烟草的营养数据建立营养参量反演模型，并使用聚类算法进行烟草营养等级划分；通过遥感光谱特征对烟草的长势进行监测，再结合归一化植被指数(NDVI)和环境植被指数(EVI)等划分灾害等级；基于遥感影像的烟田识别及烟草实测数据相关指数的计算，构建估产模型，得到区域单产预测值，并结合面积进行总产估测。本专利可以提高统计工作效率，节省人力，便于进行生产管理。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于多源遥感影像的烟草动态监测的方法和装置。

背景技术

遥感影像(Remote Sensing Image)是指记录各种地物电磁波大小的胶片或相片，如航空像片和卫星相片。每张遥感影像中都包含对应的地理坐标，换言之，遥感影像中的每个像素都可以获取其唯一的地理坐标位置。

多源遥感是指同一地区的多种类型(包括多时相、多光谱、多传感器、多平台和多分辨率等)的遥感影像数据。

烟草作为一种特殊的经济作物，在我国国民经济中占有重要地位。经过长期积累，烟草种植和管理目前已经形成了一套较为完善的人工干预体系。但是目前烟草种植分布以及植烟面积统计工作，多通过实地勘查、丈量土地、逐级上报的方式开展，在此过程中耗费了大量的人力、物力，且由于统计口径不一，使得统计结果易受人为因素干扰。

另一方面，结合对烟草从伸根期到成熟期的各个成长阶段的长势监测，营养监测，以及生长过程中的灾害监测，以实现对烟草的产量预测。此发明对在烟草的培养过程中及时掌握烟草的生长情况，从而科学指导田间生产，提高烟草产量，智慧监管烟草生产具有很强的现实意义。

其中本发明中提到的神经网络UNet++是在原生的Unet网络基础上进行一些改进，主要针对了原结构中的skip connection部分。

其中，U-Net网络由两部分组成，前半部分作用是特征提取，后半部分是上采样。在一些文献中也把这样的结构叫做编码器-解码器结构。由于此网络整体结构类似于大写的英文字母U，故得名U-Net。它与其他常见的分割网络有一点非常不同的地方：U-Net采用了完全不同的特征融合方式：拼接，U-Net采用将特征在channel维度拼接在一起，形成更厚的特征。特征提取部分由4个池化层实现了网络对图像特征的多尺度特征识别。上采样部分会融合特征提取部分的输出，每上采样一次，就和特征提取部分对应的通道数相同尺度融合，这样的连接是贯穿整个网络的，在整个网络中共有四次融合过程。

其中UNet++相对于常规的U-Net网络，UNet++将1～4层的U-Net全部连接在一起。这个结构可以用到每个深度特征，让网络自己学习不同深度特征的重要性。第二个好处是共享了一个特征提取器，即不需要训练一堆U-Net，而是只训练一个encoder，其不同层次的特征由不同的decoder路径来还原，而这个encoder依旧可以灵活地用各种不同的backbone来代替。

UNet++模型本质上是将原来空心的U-Net填满了，优势是可以抓取不同层次的特征，将它们通过特征叠加的方式整合。不同层次的特征，或者说不同大小的感受野，对于大小不一的目标对象的敏感度是不同的，例如，感受野大的特征，可以很容易地识别出大物体，但是在实际分割中，大物体的边缘信息以及小物体本身信息在深层网络的多次升降采样中很容易丢失，此时，就需要感受野小的特征来帮助。

此外，为了能够让中间部分收到传递过来的梯度，UNet++使用了深监督(deepsupervision)的方案，就是将结构的x0,1，x0,2和x0,3也直接连接到最后的输出。